对比学习多源域适应算法

跨被试泛化更强

同时对齐各源域与目标域的条件分布，并利用对比学习缩小源域间差异，学习更通用的域不变表征。

Chengjian, Xu · Song, Yonghao · Zheng, Qingqing · Wang, Qiong · Pheng-Ann, Heng

Expert Systems with Applications 2025

技术优势

跨被试泛化更强

通过对齐每个源域与目标域的条件分布，并利用对比学习缩小源域间差异，学习到更通用的域不变表征。

消除个体语义差异

通过最大化同类正样本对相似度、最小化异类负样本对相似度，有效消除不同被试之间的语义差异。

多数据集验证有效

在四个运动想象数据集上验证，均取得了当时最先进的性能，证明了方法的有效性。

应用场景

• 运动想象脑机接口：用于运动想象脑机接口中，实现跨被试的准确分类，减少新用户校准负担。
• 跨被试脑电分类：直接用于跨被试脑电分类任务，无需针对每个新被试重新训练模型。
• 域适应：提供多源域适应方法，利用多个源域信息提升目标域性能。
• 迁移学习：作为迁移学习模型，将从已有被试学到的知识迁移到新被试。
• 对比学习：利用对比学习拉近同类样本、推远异类样本，学习判别性特征。